简介面向数据分析课程大作业与统计建模入门练习这份资料以红酒数据集为例完整走通从数据清洗、相关性分析到回归与分类的建模流程适合正在完成课程作业、需要一份可对照报告范例的高校学生与数据分析初学者参考。压缩包共 1 个文件为 docx 文档约 202KB正文涵盖背景介绍、变量说明、相关性分析、多元线性回归、主成分回归与 KNN 分类等模块并配有 R 语言代码、运行结果截图与图表便于按章节复现实验。资源已有 4271 人学习下载说明其作为作业参考的实用性得到较多认可。读者可从中获得一份结构完整的分析报告框架理解残糖、游离二氧化硫、pH 值与评分相关性较弱而挥发性酸度、硫酸盐、酒精影响更明显的结论学习如何借相关系数降维、解读回归系数与 R 方、用主成分回归处理多重共线性并借鉴 KNN 分类思路与图表排版方式快速形成自己的分析思路与写作提纲。1. 红酒评分分析项目定位从 11 个理化指标到 3 个关键变量拿到一份redwine.xlsx很多人第一反应是直接lm(q ~ .)跑回归结果摘要里一堆不显著参数R 方也不高。这个红酒数据集分析项目反着来先用 Spearman 相关矩阵筛变量再用三变量多元线性回归解释评分接着用主成分回归处理共线性最后用 KNN 做评分分类。它适合刚做完数据分析大作业、想把 R 与 Python 混编流程跑通的开发者也适合想看清“相关不等于因果”在真实表格里怎么落地的人。项目不追求高精度模型重点是把数据读取、字段含义、回归诊断和分类评估串成一条可复现的链路。评分集中在 5 分和 6 分这一点决定了后面很多参数不能照搬教科书。2. 项目结构与数据流csv 转 xlsx 到 R/Python 双线分析这个项目的工程味道不重但数据流很清楚原始数据以 csv 存放先用 Python 转成 xlsxR 侧负责相关分析、多元线性回归和主成分回归Python 侧负责用 openpyxl 读表并手写 KNN。两条线共用同一份redwine.xlsx所以表名、列顺序、表头这三件事一旦不一致后面所有结果都会对不上。我一般会先把文件角色固定下来再谈模型。2.1 目录结构与两条分析线常见做法是把文件按“数据、R 脚本、Python 脚本、输出”分开避免在根目录里反复覆盖同名文件。下面这份清单是按项目正文里的动作反推出来的文件名可以按自己的习惯改但角色最好别混。文件作用入口redwine.csv原始数据逗号分隔转换脚本输入redwine.xlsxR 与 Python 共用的分析表Sheet1所有脚本读取cor.R读取 xlsx、Spearman 相关矩阵、变量间相关性Rscript 或 RStudioregression.R多元线性回归、三变量精简模型、预测区间依赖redwine.xlsxpcr.Rprincomp 主成分分析、主成分回归、系数还原依赖redwine.xlsxknn.pyopenpyxl 读表、距离计算、K 近邻投票依赖redwine.xlsxR 侧的分析顺序是“先看单变量与评分的关系再看变量之间的共线性最后才进模型”。Python 侧不参与统计建模只做分类验证所以它读表时只取五项距离特征和评分标签不需要把 11 列全部搬进去。这种拆法的好处是R 里改模型不会影响 KNN 的输入列Python 里调 K 值也不用重跑回归。2.2 字段表和评分分布先看清 q 再建模项目正文里列了 11 个物理属性评分范围 0 到 10实际数据落在 3 到 8绝大多数集中在 5 和 6。这个分布很关键回归的 R 方不会太高KNN 的准确率也容易被多数类带偏。先把字段代号和含义对齐后面看summary()和混淆矩阵才不会迷路。代号字段含义在项目里的角色x1非挥发性酸度全变量回归候选与 pH 有共线信号x2挥发性酸度与评分相关性较高精简模型核心变量x3柠檬酸全变量回归候选x4残糖与评分相关性不高先降维x5氯化物全变量回归候选KNN 距离特征之一x6游离二氧化硫与评分相关性不高先降维x7总二氧化硫全变量回归候选KNN 距离特征之一x8密度与酒精有相关性全变量回归候选x9pH 值与评分相关性不高先降维与非挥发性酸相关高x10硫酸盐与评分相关性较高精简模型核心变量x11酒精与评分相关性较高精简模型核心变量q评分回归因变量、KNN 标签正文里提到“去除相关性不高的变量”时去掉了 x4、x6、x9精简模型只留 x2、x10、x11。这里不要理解成“这三个变量永远没用”它只是在这份数据和这次线性假设下先放一边。评分是有序离散值5 和 6 占了大头直接用普通最小二乘去拟合残差分布不会太漂亮后面看主成分回归和 KNN 结果时要带着这个前提。2.3 环境准备与 csv 转 xlsx 的第一步R 侧只需要readxl读 xlsx相关、回归、主成分都用基础包Python 侧只需要openpyxlKNN 不依赖 sklearn直接手写距离和投票。下面两条命令装依赖不要把环境搞得太重后面复现时反而容易出错。# R 侧安装 readxl只用于读取 xlsx Rscript -e install.packages(readxl) # Python 侧安装 openpyxlKNN 用标准库手写 python -m pip install openpyxlRscript -e适合在终端里一次性装包python -m pip能避免 pip 指向错解释器。装完后先别急着跑模型先把 csv 转成 xlsx并确认 Sheet 名称是Sheet1因为后面 R 的sheet 1和 Python 的wb[Sheet1]都依赖这个约定。import csv from openpyxl import Workbook src redwine.csv dst redwine.xlsx wb Workbook() ws wb.active ws.title Sheet1 # 后面 R 和 Python 都按这个表名读 with open(src, newline, encodingutf-8) as f: reader csv.reader(f) for row in reader: ws.append(row) wb.save(dst) print(rows:, ws.max_row, cols:, ws.max_column)这段脚本按原样保留表头ws.append(row)会从第一行开始写所以 xlsx 的第一行是列名数据从第二行开始。encodingutf-8在 Windows 上如果遇到乱码换成gbk再跑一次ws.max_row和ws.max_column打印出来是为了和 R 侧read_excel后的dim(df)对一下行数、列数不一致就说明转换时丢行或多了空行。常见做法是转换完立刻用 R 读一次library(readxl) df - read_excel(redwine.xlsx, sheet 1, col_names TRUE) dim(df) head(df)sheet 1表示读第一个工作表col_names TRUE表示第一行当列名。dim(df)是行数和列数head(df)看前六行。如果列名变成...1、...2这种说明表头没被识别回头检查 csv 第一行是不是空行。这个环节看起来琐碎但后面相关矩阵列名对不上、KNN 取错列基本都是这里留下的坑。3. 相关性分析与降维spearman 相关系数怎么读、怎么删变量相关分析在这个项目里不是走过场它决定了后面回归放哪些变量。正文用 R 的cor(df, method spearman)一次性算出矩阵再从矩阵里看 x4、x6、x9 与评分相关性不高x2、x10、x11 与评分相关性较高。这里要注意cor()默认是 Pearson项目显式写了method spearman原因是评分是有序等级Spearman 基于秩对异常值和单调非线性更稳。3.1 读取 xlsx 与 cor 函数先跑通读取和相关系数矩阵不要一上来就写回归公式。下面这段是项目正文里的核心代码我补了use complete.obs和一行按相关性绝对值排序方便定位变量。install.packages(readxl) library(readxl) df - read_excel(redwine.xlsx, sheet 1, col_names TRUE) # Spearman 相关矩阵complete.obs 表示含缺失值的行不参与该对变量计算 cor_mat - cor(df, method spearman, use complete.obs) round(cor_mat, 3) # 单独看各变量与评分 q 的相关性按绝对值从大到小排 q_cor - cor_mat[, q] sort(abs(q_cor), decreasing TRUE)method spearman先把每列转成秩再算 Pearson所以它对“评分 5 和 6 之间差距不一定等于 6 和 7 之间差距”这种情况更宽容。use complete.obs是常见做法避免缺失值让整行被静默丢掉。round(cor_mat, 3)只是让矩阵好读不改变计算。cor_mat[, q]取的是评分列与其他变量的相关系数sort(abs(q_cor))按绝对值排序能快速看出哪些变量和评分关系弱。跑完先看两件事一是评分列 q 与其他变量的相关系数符号和大小二是变量之间有没有明显高相关。正文的结论是 x4 残糖、x6 游离二氧化硫、x9 pH 与评分相关性不高可以暂时忽略x2 挥发性酸度、x10 硫酸盐、x11 酒精与评分相关性较高。这个结论是后面“三变量精简模型”的依据但不要把它当成固定规则换一份数据就要重新看矩阵。3.2 变量取舍x4/x6/x9 先放一边的逻辑降维不是“相关性低就永久删除”而是“在这轮线性模型里先不投入自由度”。x4 残糖和 x6 游离二氧化硫与评分相关性不高放进全变量回归容易增加不显著参数x9 pH 与评分关系弱但它和非挥发性酸 x1 之间有较强的共线信号如果同时保留 x1 和 x9回归系数会变得不稳定。项目正文里选择先去掉这三个变量再对剩余变量做回归这是课程作业里比较稳妥的做法。实际写代码时我一般不会直接手写删除而是先把候选变量列出来再决定模型公式。下面这段只做筛选展示不替代业务判断# 查看与评分相关性绝对值最低的几个变量 q_cor - cor_mat[, q] low_vars - names(sort(abs(q_cor)))[1:4] low_vars # 全变量回归候选去掉 x4、x6、x9 lm.sol - lm(q ~ x1 x2 x3 x5 x7 x8 x10 x11, data df) summary(lm.sol)names(sort(abs(q_cor)))[1:4]只是把相关性最弱的几个变量名打印出来方便对照不代表一定要删。lm.sol的公式里没有 x4、x6、x9是因为正文在相关分析后决定先降维。summary(lm.sol)里重点看Estimate、Pr(|t|)和Multiple R-squared参数不显著说明在当前线性设定下贡献不稳定R 方不高说明评分还有大量未被这 11 个理化指标解释的部分。这个判断要结合后面的精简模型一起看不要只凭一次summary()下结论。提示相关性低不等于变量没用可能是非线性关系也可能是评分本身噪声大。课程作业里可以先按相关性降维但二次开发时最好保留原始列方便换模型回查。3.3 共线性预判酸-pH、酒精-密度正文还提到变量之间的相关性pH 与非挥发性酸相关性很高酒精含量和密度也有一定相关性。这两组关系在回归里要特别注意因为自变量之间高度相关会让系数估计变得敏感今天多一行样本明天系数符号可能就翻了。下面这段取子矩阵看共线信号列名按 x1、x9、x8、x11 取实际数据列名不一致时改成自己的列名。# 只看非挥发性酸 x1、pH x9、密度 x8、酒精 x11 之间的相关 sub_mat - cor_mat[c(x1, x9, x8, x11), c(x1, x9, x8, x11)] round(sub_mat, 3)cor_mat是上一步算好的 Spearman 矩阵取子矩阵不会重新计算只是把关心的行列切出来。round(sub_mat, 3)看绝对值如果 x1 和 x9 的相关系数绝对值接近 1说明它们携带的信息高度重叠x8 和 x11 同理。遇到这种情况全变量回归里保留两者会让summary()的标准误变大精简模型时只留一个更符合业务解释的变量。项目正文选择在三变量模型里保留 x11 酒精把 x1、x9、x8 放到全变量回归里观察这个顺序是合理的先看全变量再收缩到核心变量最后用主成分回归处理剩余共线。4. 回归建模从多元线性回归到主成分回归的两次拟合这个项目的回归分两层第一层是普通多元线性回归先去掉相关性不高的变量再收缩到 x2、x10、x11 三个核心变量第二层是主成分回归用princomp(cor TRUE)取前五个主成分再把主成分系数还原回原始变量。两层模型解决的不是同一个问题前者要解释“哪些指标影响评分”后者要缓解共线性、提高数值稳定性。正文里三变量模型 R 方为 0.6589说明拟合程度还不够高这个数字要记住后面看主成分回归时不要期待它突然变成 0.9。4.1 全变量回归与参数显著性先跑去掉 x4、x6、x9 后的全变量回归看看哪些参数通过检验。正文给的是lm(q~x1x2x3x5x7x8x10x11, datadf)然后summary(lm.sol)。这段代码的作用不是追求高 R 方而是看剩余变量里哪些还有独立贡献。# 去掉相关性不高的 x4、x6、x9 后做全变量回归 lm.sol - lm(q ~ x1 x2 x3 x5 x7 x8 x10 x11, data df) summary(lm.sol) # 提取系数和 p 值按 p 值排序看哪些参数没通过检验 coef_tab - summary(lm.sol)$coefficients coef_tab[order(coef_tab[, 4]), ]lm()的第一个参数是公式q是因变量右边是自变量data df指定数据框。summary(lm.sol)输出里Estimate是系数Std. Error是标准误t value是 t 统计量Pr(|t|)是 p 值。coef_tab[order(coef_tab[, 4]), ]按 p 值从小到大排能快速看到哪些参数显著、哪些不显著。正文的结论是“有部分参数没有通过检验”这很正常全变量模型里存在共线和冗余变量参数显著性会被稀释。不要把不显著变量直接判死刑先看它和核心变量的相关性再决定是删还是换。4.2 三变量精简模型与预测区间正文接着只保留 x2 挥发性酸度、x10 硫酸盐、x11 酒精重新拟合。这个模型参数全部通过检验但 R 方只有 0.6589。R 方不高不代表模型不能用它说明评分还受其他因素影响或者评分本身主观性较强。代码里还留了一组数据做预测x20.31、x100.66、x1111实际评分为 6预测结果比较接近。# 只保留相关性较高的三个变量 lm.sol2 - lm(q ~ x2 x10 x11, data df) summary(lm.sol2) # 对新样本做预测同时给置信区间和预测区间 new - data.frame(x2 0.31, x10 0.66, x11 11) predict(lm.sol2, new, interval confidence) predict(lm.sol2, new, interval prediction)lm.sol2是精简模型summary()里看三个变量的系数符号和 p 值。正文给出的拟合式是q -1.22130*x2 0.67898*x10 0.30920*x11 2.61104意思是挥发性酸度越高评分越低硫酸盐和酒精越高评分越高。new是数据框列名必须和模型里的自变量名完全一致否则predict()会报“变量长度不一致”或找不到变量。interval confidence给的是平均响应的置信区间interval prediction给的是单个新样本的预测区间后者一定比前者宽因为多了个体误差。实际写报告时两个都报别只报点预测。注意predict()的new里不要多放模型没用的列也不要少放模型用到的列。列名对不上是这段代码最常见的翻车点。4.3 主成分回归princomp 取前五个主成分三变量模型虽然参数显著但 R 方不够高而且只用了三个变量信息损失大。正文于是对全部 11 个变量做主成分分析用相关阵cor TRUE取前五个主成分再对评分做回归。这里读数据的范围写成A1:K1559注意表头占一行样本从第二行开始别把表头当样本算进去。library(readxl) # 读取全部 11 个属性范围按实际文件调整 wine - read_xlsx(redwine.xlsx, sheet 1, col_names TRUE, range A1:K1559) # 用相关阵做主成分等价于先标准化再 PCA wine.pr - princomp(wine, cor TRUE) summary(wine.pr, loadings TRUE) # 计算每个样本的主成分得分取前五个 pre - predict(wine.pr) z1 - pre[, 1] z2 - pre[, 2] z3 - pre[, 3] z4 - pre[, 4] z5 - pre[, 5] redd - data.frame(q df$q, z1, z2, z3, z4, z5) lm.solp - lm(q ~ z1 z2 z3 z4 z5, data redd) summary(lm.solp)princomp(wine, cor TRUE)里的cor TRUE表示用相关矩阵而不是协方差矩阵等价于先把每个变量标准化避免量纲大的变量比如总二氧化硫主导主成分。summary(wine.pr, loadings TRUE)看每个主成分的方差贡献率和载荷正文取前五个主成分是因为前五个能捕捉大部分变化趋势。predict(wine.pr)返回每个样本在各个主成分上的得分pre[, 1]到pre[, 5]取前五列。redd把评分 q 和五个主成分拼成一个数据框lm.solp对主成分做回归。注意df$q的长度要和pre的行数一致不一致通常是 xlsx 读取范围或缺失值处理不同导致的。4.4 主成分系数还原到原始变量主成分回归的系数是“主成分空间”的系数不能直接解释成“酒精每增加 1 单位评分增加多少”。正文最后一步是把主成分系数还原回原始变量用相关阵的特征向量A、原始变量的均值X.bar和标准差X.sd把beta换算成原始尺度。这里有一个容易忽略的点模型里用了 z1 到 z5还原时就要把beta[2]到beta[6]都乘上对应的特征向量正文原代码只累加到beta[5]*A[,4]和模型里的 z5 不一致复现时要么模型只取四个主成分要么补上第五项。XX - cor(wine) A - eigen(XX)$vectors beta - coef(lm.solp) # 均值和标准差来自对原始变量的统计顺序必须和 wine 的列顺序一致 X.bar - c(8.3623, 0.5273, 0.2719, 2.5371, 0.0878, 15.7054, 46.4037, 0.9968, 3.309, 0.6583, 10.4114) X.sd - c(1.7415, 0.1791, 0.1947, 1.4103, 0.0471, 10.4627, 32.9041, 0.00189, 0.154, 0.1695, 1.0657) # 补上 beta[6] * A[,5]和 lm.solp 里的 z5 对齐 coef_raw - (beta[2] * A[, 1] beta[3] * A[, 2] beta[4] * A[, 3] beta[5] * A[, 4] beta[6] * A[, 5]) / X.sd beta0 - beta[1] - sum(X.bar * coef_raw) c(beta0, coef_raw)XX - cor(wine)是原始变量的相关阵eigen(XX)$vectors取特征向量列顺序对应主成分顺序。beta - coef(lm.solp)的第一个元素是截距后面依次是 z1 到 z5 的系数。X.bar和X.sd是原始变量的均值和标准差顺序必须和wine的列顺序一致否则还原出来的系数会错位。coef_raw先算原始尺度下的斜率beta0再用截距减去均值项得到原始尺度下的常数项。正文代入一组主成分得分后预测值和实际 6 有偏差这很正常主成分回归牺牲了部分解释性换来了对共线的稳定性不能拿它和三变量模型的点预测直接比高低。5. KNN 分类与常见问题排查五项距离、20 近邻和准确度上不去的原因KNN 部分是这个项目里最容易“看起来能跑、结果对不上”的模块。正文选择 x2 挥发性酸度、x5 氯化物、x7 总二氧化硫、x10 硫酸盐、x11 酒精五项作为距离度量计算新样本与已知样本的平方和再开方取最近的 20 个点投票。但正文代码里for i in range(30)又写了 30和“20 个点”不一致read_excel的行号也从range(1, rows)配cell(row 1, ...)很容易跳过第一行或越界。下面先给一版可运行的修正代码再把踩过的坑逐条拆开。5.1 数据读取openpyxl 只取五列加标签原始代码用openpyxl.load_workbook读Sheet1按列索引筛出需要的列。openpyxl 的行列都从 1 开始表头在第 1 行数据从第 2 行开始所以循环要从 2 到max_row不要再用row 1二次偏移。下面这版把特征列和标签列提成常量换表时只改常量。from openpyxl import load_workbook FEATURE_COLS [2, 5, 7, 10, 11] # x2,x5,x7,x10,x11openpyxl 列号从 1 开始 LABEL_COL 12 # q 评分列 def read_excel(path): wb load_workbook(path, data_onlyTrue) ws wb[Sheet1] objects [] for row in range(2, ws.max_row 1): # 跳过第 1 行表头 item [ws.cell(rowrow, columnc).value for c in FEATURE_COLS] label ws.cell(rowrow, columnLABEL_COL).value if label is not None: objects.append(item [label]) return objectsload_workbook(path, data_onlyTrue)读的是单元格计算值避免公式没刷新时读到None。ws[Sheet1]要求工作簿里确实有这个名字如果转换时改了表名这里要同步改。range(2, ws.max_row 1)从第二行到最后一行ws.cell(rowrow, columnc)的 row 和 column 都是 1 基不需要再加一。if label is not None过滤掉空标签行防止后面投票时出现None类别。item [label]把五个特征和标签拼成一条样本最后一位是标签。5.2 距离计算与投票knn.py 的三个函数距离函数只做欧氏距离投票函数用Counter取出现次数最多的标签。正文原代码用字典手动计数但只打印了第一个值没有返回最大票数这里改成返回(预测标签, 票数明细)方便调试。from collections import Counter def distances(nowa, objects): out [] for obj in objects: # obj 前五项是特征最后一项是标签不参与距离 dist sum((obj[j] - nowa[j]) ** 2 for j in range(len(nowa))) ** 0.5 out.append(dist) return out def classify(nowa, objects, k20): dists distances(nowa, objects) idx sorted(range(len(dists)), keylambda i: dists[i])[:k] votes Counter(objects[i][-1] for i in idx) return votes.most_common(1)[0][0], votes if __name__ __main__: objects read_excel(redwine.xlsx) test [0.31, 0.08, 30.0, 0.66, 11.0] # 按 x2,x5,x7,x10,x11 顺序 label, votes classify(test, objects, k20) print(pred:, label, votes:, votes)distances()里range(len(nowa))只遍历新样本的特征长度obj[j]取已知样本对应特征** 2是平方** 0.5是开方。classify()的k20是近邻数sorted(...)[:k]按距离升序取前 k 个索引Counter统计标签出现次数most_common(1)取票数最多的类别。test的顺序必须和FEATURE_COLS一致否则距离算的是错位的特征。正文说“选择距离最近的 20 个点”代码里却写了 30这里统一成 20复现时不要两处混用。5.3 五条踩坑记录现象、原因、解决现象一读出来的样本少一行或者最后一行是None。原因range(1, rows)从 0 基开始cell(row 1, ...)又加了一次 1第一行数据被跳过最后一行可能越界。解决循环直接从第 2 行到max_rowcell用当前 row不再二次偏移读完后打印len(objects)和ws.max_row - 1对一下。现象二KNN 准确率和正文对不上。原因正文文字写 k20代码里range(30)写了 30投票函数只打印第一个类别没有真正取最大票数。解决把 k 提成常量K 20距离排序后取[:K]投票用Counter.most_common(1)返回最大票数类别每次跑完打印票数明细确认不是只看了第一个近邻。现象三模型总预测 5 或 6准确率看起来还行。原因评分集中在 5 和 6类别不平衡多数类投票天然占优。解决不要只看整体准确率分标签看召回率和混淆矩阵做训练/测试划分时按评分分层抽样保证每个评分段都有样本。如果 3、4、7、8 分样本太少分类报告里要单独说明不要拿一个总数掩盖问题。现象四距离被酒精或总二氧化硫主导。原因五项特征量纲不同酒精在 10 左右挥发性酸度在 0.3 到 0.6氯化物更小欧氏距离会被数值大的特征吃掉。解决做 KNN 前先标准化常见做法是 z-score 或 min-max标准化参数只能用训练集计算再应用到测试集避免数据泄漏。正文原代码没有标准化这是准确度不高的原因之一。现象五用全量数据找近邻再评估准确率虚高。原因测试样本本身就在训练集里最近邻距离为 0投票结果必然包含自己。解决先留出测试集再在训练集里找近邻课程作业至少做一次 7:3 留出二次开发可以上交叉验证。每次评估前检查测试集标签有没有参与距离计算objects里只放训练样本。6. 二次开发把课程作业改成可复用分析脚本这份作业的代码是“按报告顺序写下来的”跑一遍没问题但换一份数据或改一个参数就要翻好几个文件。二次开发我一般先做三件事把 R 侧的相关、回归、主成分拆成函数把 KNN 的列号、K 值、表名抽成配置把每次运行的样本数、缺失值、R 方、KNN 准确率记到日志里。这样改模型时不用碰读表逻辑换数据时也不用全局搜索列号。改造点做法验证方式R 脚本函数化read_wine()、cor_filter()、fit_lm()、fit_pcr()各自只做一件事同一份 xlsx 跑两次系数和 R 方一致KNN 参数配置化表名、特征列、标签列、K 值放进CONFIG改 K 值不用改函数体评估留出法按评分分层抽 30% 做测试集输出混淆矩阵和每个评分的召回率运行日志记录行数、缺失值数、R 方、KNN 准确率换数据后能对比前后差异配置可以写成下面这样Python 侧和 R 侧各读各的但字段顺序保持一致CONFIG { file: redwine.xlsx, sheet: Sheet1, feature_cols: [2, 5, 7, 10, 11], # x2,x5,x7,x10,x11 label_col: 12, k: 20, test_ratio: 0.3, }feature_cols和label_col是 openpyxl 的 1 基列号换表时只改这里k和test_ratio是实验参数跑对比时不用动函数。R 侧我习惯把X.bar、X.sd也写进配置或单独保存主成分还原时按列名匹配而不是靠手抄 11 个数字。验证方法很朴素同一份数据跑两次回归系数、R 方、KNN 混淆矩阵完全一致才算复现成功如果第二次结果变了先查随机种子和训练测试划分再查读表范围。从那以后我每次拿到评分型数据集都先画评分分布再跑相关强制留一份不参与训练的样本主成分还原时逐项对 beta 下标。这套习惯不高级但能少很多“代码跑通、结论对不上”的返工。希望帮到你。本文还有配套的精品资源点击获取